应用统计-卡方检验与方差分析 .ppt

卡方检验 【非参数统计 】对总体的具体形式不必作任何的限制性假设和不以总体参数具体数值估计为目的的推断统计。 能用于定性变量（即定名测定和序列测定的变量） ； 方法直观，易于理解，运算比较简单。 缺点是检验的功效不如参数检验方法。 主要方法： χ2检验、曼—惠特尼U检验、等级相关检验、成对比较检验、游程检验、多个样本的检验。 ?2检验 ?2检验是运用? 2分布作为理论工具，在非参数统计中可用于对总体的分布或随机变量的独立性进行的检验。 ?2检验是1900年由英国统计学家卡?皮尔生(K.Person)提出的，称为皮尔生定理。 当我们研究 K (K2) 个事件时，可以测定 K 个观察值与相应的理论值之间的差异，为此而构造的统计量称为?2 统计量。 ?2分布(?2 distribution) 由阿贝(Abbe) 于1863年首先给出，后来由海尔墨特(Hermert)和卡·皮尔逊(K·Pearson) 分别于1875年和1900年推导出来 分布的变量值始终为正 分布的形状取决于其自由度n的大小，通常为不对称的正偏分布，但随着自由度的增大逐渐趋于对称，一般当k≥30时，χ2分布可用正态分布近似计算 c2分布(图示) c2分布的使用 ?2检验的功效 拟合优度检验 利用样本信息对总体分布作出推断，检验总体是否服从理论分布（正态分布或二项分布）。 独立性检验 用于判断2组或多组的资料是否彼此关联。 ?2拟合优度检验 拟合优度检验主要是比较总体变量的期望或理论频数与分布的观察或实际的频数，确定期望值与观察值之间是否存在差异。 例如，航空业官员也许在理论上认为机票购买者的年龄服从某种特殊的分布。为了接受或拒绝该分布，随机选取机票购买者年龄的真实样本，使用拟合优度检验比较观察值与期望值。 在皮鞋制造业，生产商可以使用拟合优度检验确定一年当中对其商品的需求是否服从均匀分布。 ?2拟合优度检验 拟合优度检验中用来对假设进行检验的检验统计量的形式如下： 其中： 观察值频数； ：期望值频数；k :类别总数；c：样本数据中的参数数量。 因为期望频数的总数必须等于观察频数的总数，因此该检验丢失了一个自由度，即来自样本的的观察总数被作为期望频数总数的总数。 另外，在有些情况下，总体有参数。用样本数据估计，以确定期望值的概率分布。每次进行估计，就丢失一个自由度。 拟合优度检验的步骤 ?2拟合优度检验（例题分析） ?2拟合优度检验（例题1分析） ?2拟合优度检验（例题1分析） ?2拟合优度检验（例题1分析） ?2拟合优度检验（例题1分析） ?2拟合优度检验（例题1分析） ?2拟合优度检验（例题分析） ?2拟合优度检验（例题2分析） 列联表与独立性检验 列联表与独立性检验 列联表与独立性检验 列联表与独立性检验 列联表与独立性检验（检验统计量） 列联表与独立性检验（检验统计量） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 列联表与独立性检验（例题分析） 方差分析 方差分析的引论 单因素方差分析 双因素方差分析 什么是方差分析(ANOVA)?(analysis of variance) 检验多个总体均值是否相等 通过分析数据的误差判断各总体均值是否相等 研究分类型自变量对数值型因变量的影响 一个或多个分类型自变量 两个或多个 (k 个) 处理水平或分类 一个数值型因变量 有单因素方差分析和双因素方差分析 单因素方差分析：涉及一个分类的自变量 双因素方差分析：涉及两个分类的自变量 什么是方差分析? (例题分析) 什么是方差分析? (例题分析) 分析四个行业之间的服务质量是否有显著差异，也就是要判断“行业”对“投诉次数”是否有显著影响 作出这种判断最终被归结为检验这四个行业被投诉次数的均值是否相等 若它们的均值相等，则意味着“行业”对投诉次数是没有影响的，即它们之间的服务质量没有显著差异；若均值不全相等，则意味着“行业”对投诉次数是有影响的，它们之间的服务质量有显著差异 方差分析中的有关术语 因素或因子(factor) 所要检验的对象 要分析行业对投诉次数是否有影响，行业是要检验的因素或因子 水平或处理(treatment) 因子的不同表现 零售业、旅游业、航空公司、家电制造业就是因子的水平 观察值 在每个因素水平下得到的样本数据 每个行业被投诉的次数就是观察值 方差分析中的有关术语 试验 这里只涉及一个因素，因此称为单因素四水平的试验 总体 因素的每一个水平可以看作是一个总体 比如零售业、旅游业、航空公司、家电制造业可以